基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于db10小波的电机轴承故障信号分析

滚动轴承故障诊断的关键是对振动信号进行分析和处理,并提取滚动轴承的故障特征。由于大多数滚动轴承故障振动信号是非平稳信号,因此需要选择适合于非平稳信号分析和处理的方法。小波变换具有多分辨率分析的特点,并且在时域、频域都具有表征信号局部特征的能力,本文采用具有良好特征提取能力的db10小波进行分析。通过对实验数据的分析,验证了所提方法的有效性。     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

基于小波分析的滚动轴承故障诊断研究

小波分析是针对非平稳信号的一种有效的数据分析方法。在此基础上提出了基于小波分析的滚动轴承故障诊断技术。它将振动信号进行小波分解与重构,然后对其中某粗略信号进行频谱分析,其频谱特征可以揭示故障的有无及其发生部位。通过滚动轴承内环点蚀、外环划痕、滚动体划痕三种典型故障的实验,验证了该方法在滚动轴承故障诊断方面的可行性和有效性。     

小波变换与滚动轴承振动的故障诊断方法研究

简要综合介绍了滚动轴承振动及故障诊断的方法及小波变换在滚动轴承故障特征提取中的应用.通过对滚动轴承故障信号的分析表明,该方法可以分析出滚动轴承振动的故障信号,确定轴承振动的故障部位.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于小波包与CNN的滚动轴承故障诊断

滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。     

基于小波包熵和聚类分析的滚动轴承故障诊断方法

为了提高滚动轴承震动信号故障诊断的准确性,该文提出了一种基于小波包熵和聚类分析的集合型故障诊断方法。用小波包对滚动轴承振动信号进行三层分解,并提取其能量特征。以振动信号的能量分布作为概率分布进行信息熵运算,提取振动信号特征。为了检测是否有故障发生,结合减法聚类的思想,提出采用密度指标最高原则优化初始聚类中心的K均值聚类算法进行聚类。为了检验所提方法的有效性,采用不同故障直径的滚动轴承数据进行实验。实验结果表明,新的聚类方法克服了传统K均值聚类对初始聚类中心敏感的缺陷,其结果可以作为滚动轴承早期故障诊断的依据。     

基于小波神经网络的轴承未知异常诊断

针对滚动轴承振动信号复杂,故障类型难以预知的问题,提出基于小波-神经网络技术的滚动轴承未知异常诊断的新方法.利用小波包对滚动轴承振动信号进行分解与重构,获得振动信号的突变信息,提取与滚动轴承故障相关的特征信息,将其作为特征向量输入自组织特征映射(Self-Organizing Feature Maps,SOFM)神经网络,对其进行自动分类识别,根据数据映射位置,可实现对滚动轴承未知异常的诊断,并为专家系统知识的自动获取提供了一条新途径.通过对仿真结果的分析,证实这种诊断方法的可行性.     

基于小波分析的低速重载轴承故障诊断

从工程应用的角度研究了小波分析的信噪分离技术在低速重载轴承故障诊断中的应用·利用小波分解的多层次多频带特性和小波重构技术,建立了一种简单、精确和实用的低速重载轴承故障小波分析诊断方法·利用这一技术,诊断出其他方法无法诊断的低速重载轴承滚动体和内、外圈发生碰磨故障,检修拆卸时发现,上排滚动体有三个损坏,滚道出现磨损,验证了上述分析的正确性,成功地诊断出了具有低频特征的钢包回转台重载轴承碰磨故障·说明了小波分析用于提取弱信号,即信噪分离的有效性,这种方法可以弥补频谱分析法的不足·     

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

基于小波神经网络的滚动轴承故障诊断

研究了基于BP神经网络、基于径向基神经网络等的故障诊断方法和原理,并利用小波包分解获得了滚动轴承振动信号的特征向量,进行了详细的故障诊断实验研究,通过实验,比较了基于松散型小波神经网络与紧致型小波神经网络的诊断结果。仿真结果表明,紧致型小波神经网络用于滚动轴承的故障诊断更为有效。     

Study on Method of Fault Vibration Diagnose for Roller Overrunning Clutch

Fault diagnose of the roller overrunning clutch is a headache problem in engineering at home and abroad. This paper introduces a new method to solve the problem by using the wavelet transform to separate fault si gnal and further analyzing the impact frequency. The signal local singularities under the wavelet transform are studied. According to the propagation features of modulus maximums of the fault signal and the noise under the wavelet transfor m different on the scales, and by use of the signal ...     

基于IGA-BP神经网络滚动轴承故障的诊断

为提高滚动轴承故障模式识别技术的研究,基于IGA-BP神经网络的故障诊断原理,运用IGA对BP神经网络的权值与阈值进行调整和优化,利用小波包分解获得轴承振动信号的特征向量,进行了滚动轴承故障的诊断实验研究,对故障模式进行识别。结果表明,IGA-BP神经网络方法具有很强的故障识别能力,说明利用IGA-BP神经网络方法进行轴承故障诊断是可行的。     

滚动轴承故障诊断技术的研究

对滚动轴承进行故障诊断能够及时发现故障信息,减小事故发生几率,延长机器寿命,具有较高的现实意义。本文介绍了滚动轴承故障诊断方法,重点综述了振动分析法的发展现状与趋势,并指出了目前滚动轴承故障诊断所存在的主要问题。     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于小波分形技术提取变速器轴承故障特征

利用小波技术对变速器轴承振动信号进行分解,对特定层的信号进行重构,并计算重构信号的分形维数,来实现变速器轴承不同技术状态下特征提取。实验结果表明,特定频率振动信号的分形维数能敏感反映变速器轴承技术状态,它可以作为诊断变速器轴承故障的一个重要特征量。